Flowette: Flow Matching mit Graphette‑Prioren revolutioniert Graphgenerierung

Flowette ist ein neues, kontinuierliches Flow‑Matching‑Framework, das Graphen mit wiederkehrenden Motiven modelliert. Durch den Einsatz eines graphenbasierten Transformer‑Netzwerks lernt das System ein Geschwindigkeitsfeld, das über graphische Repräsentationen mit Knoten‑ und Kanteneigenschaften definiert ist.

Das Modell erhält die Topologie der Graphen dank einer optimalen Transport‑Verknüpfung und fängt gleichzeitig langfristige strukturelle Abhängigkeiten durch gezielte Regularisierung ein.

Um domänenspezifische Strukturen einzubinden, führt Flowette die Graphette ein – eine neue probabilistische Familie von Graphstruktursmodellen, die Graphons erweitern und kontrollierte strukturelle Änderungen für Motive wie Ringe, Sterne und Bäume ermöglichen.

Die Autoren analysieren theoretisch die Coupling‑, Invarianz‑ und strukturellen Eigenschaften des Ansatzes und evaluieren ihn anschließend auf synthetischen Daten sowie auf Aufgaben zur Generierung kleiner Molekülgraphen. Die Ergebnisse zeigen konsistente Verbesserungen gegenüber bestehenden Methoden.

Flowette demonstriert damit, dass die Kombination von strukturellen Prioren mit flow‑basiertem Training eine effektive Möglichkeit darstellt, komplexe Graphverteilungen zu modellieren.